面向字形分析的联机手写汉字笔画识别

介绍了一种面向字形分析的联机手写输入汉字的笔画识别方法,并给出实现算法.该方法首先找出笔画的关键点,然后将笔画分割为小笔画段,再将其合并为较大的笔画段.实验表明,处理后的笔画成为类型确定的笔画段或笔画段的组合,易于规整化为内部模型.     

基于局部信息的手写汉字笔画提取

现有计算机在指导手写汉字练习与测试中,指导依据大都基于全局特征,缺少基于更细粒度特征。提出一种基于局部信息的手写汉字笔画提取方法,为手写汉字评价与指导等任务提供数据支持。首先提取出汉字骨架并对骨架中的毛刺与断裂等问题进行优化;然后使用PBOD算法提取汉字交叉区域后,对交叉区域进行合并删除,消除笔画形变,通过局部信息计算笔画段的组合系数,根据组合系数提取笔画;最后根据获取到的笔画数与算法迭代次数,动态调整组合系数阈值,保证在正确连接笔画段的前提下提取到更可能多的笔画。将该方法在手写汉字数据集上进行实验,其准确率、召回率与F1值分别达到了95.91%、95.71%与95.81%,可用于后续的手写汉字评判与指导等任务。     

基于笔画分析和背景细化的粘连手写汉字切分

离线手写汉字的切分是识别的前提，其中粘连手写汉字的切分最为困难。提出一种基于笔画分析和背景细化的粘连手写汉字的切分新方法。对粘连字符图像作细化处理，检测端点、叉点和角点等特征点，根据特征点提取笔段。按笔段的长度、相互之间的位置关系以及投影信息确定切分点。细化粘连字符的背景图像，从切分点出发在细化的背景中选取分割路径，实现粘连手写汉字的切分。实验表明，本方法对于粘连手写汉字具有令人满意的切分效果。     

一种联机手写汉字识别算法的研究与实现

联机手写汉字识别(On-line handwritten Chinese character recognition,简称OLCCR),是指用笔在图形输入板上写字,人一面写,机器一面认,是一种方便的汉字识别手段,是在各种自动识别输入的方法中,能够代替或部分代替人工编码输入的惟一可能的方法。设计了一种基于获取笔段序列的联机手写汉字识别方法,并用可视化编程工具VC++6.0实现了该算法,经测试,平均识别率达95.7％。     

自然手写汉字笔画和字根的提取

对自然手写体汉字联机识别系统中笔画和字根提取问题作了深入研究,提出并改进了有关策略和算法实现。经深入分析和测试结果表明,由于充分考虑了自然手写体汉字的书写习惯和结构特征,技术策略和算法实现具有高稳定性和变形容忍度。     

面向书写教学的手写汉字图像笔画还原

为了实现智能化汉字书写教学,提出一种手写汉字图像的笔画还原方法。首先提取手写汉字图像的骨架;然后从知识工程的角度出发,利用字形中稳定的拓扑信息,消除骨架中的歧义变形;最后利用A*算法建立并求解手写汉字与相应模板汉字的字形相似度模型,从而分割出手写汉字图像中的各个笔画,并输出它们与模板汉字中各个笔画的对应关系。此方法的笔画还原结果可以应用于手写汉字规范性的自动化评判等场合。     

基于基本笔画笔压特征的手写汉字笔迹鉴定的研究

基于汉字笔迹鉴定的有效特征主要蕴含于基本笔画运笔中的设想，提出以手写汉字基本笔画为研究对象，抽取其中笔压变化特征，形成特征空间，求得鉴定对象在特征空间中分布，并计算它与辞书中各书写者之间的广义距离，从而实现笔迹的鉴定．本研究选用10位书写者，四种基本笔画，每种基本笔画采用10个样本进行了实验．其结果证实了本方法完全克服了以往笔迹鉴定研究中结体依存性带来的不足，只需对少数基本笔画的研究就对全体汉字有效，大大缩小了辞书空间．     

应用专门知识引导的联机自然手写汉字识别

研究一种识别联机自然手写汉字的方法,充分利用汉字知识,构造联机汉字的知识框架,在专门知识引导下识别自然手写汉字。汉字的多种静态构形规律和动态书写规律被用于联机汉字的知识表达和建模,输入汉字经过笔划元提取后,采用框架描述,与知识库中存储的汉字模型进行不精确匹配实现识别。对国标一级汉字进行了测试。在对书写次序、笔划数目、是否连笔等很少限制的情况下,能获得很高的识别率,证明该方法是行之有效的。     

非限定手写汉字的分割研究

分析目前手写汉字分割研究的几种有效方法，在此基础之上提出了针对非限定手写汉字分割的多层投影算法。通过对经典投影方法的补充和扩展，建立算法的基本模型，编写相应的程序，应用于支票校验系统当中。实际的金融支票大写汉字识别实验结果证实所提出的算法的有效性。     

基于动态规划的联机手写汉字分割方法

为解决手写汉字文本的自动切分问题,提出了一种基于动态规划的联机手写汉字分割方法.该方法根据手写笔画的结构特征、笔顺信息以及神经网络分类器给出的类概率构造代价函数,并将其分别应用于手写句子的预分割和基于识别的分割过程,然后利用动态规划算法寻找最佳分割路径.预分割在保持较低误分割率的前提下,可以有效地降低候选分割块的数量,以加速分割过程.实验结果表明,预分割的误分割率为0.57%,过分割率仅为11.1%;在未应用语言模型的情况下,最终的正确分割率为88.2%.     

基于笔划方向特征和非对称分布的手写体汉字识别

基于笔划方向特征和非对称分布的手写体汉字识别模型,提出一种从手写体汉字骨骼图像上提取分叉点的有效改进算法,保证笔划提取的可靠性,并直接从笔划结构上计算统计识别特征矢量;采用主向量空间的非对称参数分布模型计算距离测度．实验表明,基于笔划方向特征和非对称分布的统计识别模型具有优良的识别性能．     

基于子笔划的手写体汉字识别

该文给出一种汉字子笔划的提取方法 ,较好地解决了因子笔划相交 ,使提取的同类字符子笔划不稳定问题。引入了字符的固定部件划分方法及特征矩阵的概念。字符部件中包含各类子笔划的位置、长度等信息 ,特征矩阵是这些信息的集中体现。设计了一种新的遗传算法 ,由未知字符一个部件的一类子笔划表示的字符与某类模型的相似度 ,既由与其它 3类子笔划相应的相似度调节 ,又由与周围部件同类子笔划相应的相似度调节。实验表明 ,该手写体汉字识别方法是有效的     

基于笔划的手写体汉字方向分解特征提取方法

提出了一种基于笔划的手写体汉字方向分解特征提取的新方法。根据每个笔划像素点及其邻域像素点的方向分布特征，汉字图像被分解为“横”、“竖”、“撇”和“捺”4种子模式，而无需提取轮廓和骨架。文中构造了5种不同的弹性网络，并将其应用于方向分解特征的提取，最后，应用863手写样本库HCL2000验证了本文方法的有效性。     

用于手写体汉字识别的汉字结构模型

针对手写体汉字识别问题，选取笔段和笔划作为基元，分析手写体汉字的组成规律和变形规律，提出了两种汉字结构模型：笔段中心点模型和笔划关系矩阵模型，以及基于模型的分类依据和识别方法．根据所提出的模型，采用两级分类方案构造汉字识别系统，粗分类采用笔段中心点法，细分类采用笔划关系矩阵法．实验表明模型是有效可行的．     

手写字符轮廓曲率的特征提取和识别

首先对手写体字符图像进行平滑,同时获取字符的轮廓点.然后提出了一个字符轮廓曲率计算的有效方法,为了利用小波变换对曲率信号进行去噪和平滑,该方法不是直接从轮廓点出发,而是进一步抽样得出新的轮廓点.最后得到了不受字符旋转、平移、大小、位置影响的字符特征,以及相应的识别算法.实验结果表明,它在单一的特征识别方法中优于其他方法.     

Krawtchouk矩在脱机手写汉字识别中的应用

提出一种基于Krawtchouk矩的脱机手写汉字识别方法。与Zernike矩和Legendre矩等连续正交矩特征相比,Krawtchouk矩是数字域的离散正交矩,不存在数字化过程中所带来的近似误差问题,在计算过程中不需要进行坐标转换,而且构造简单,更加适合用来描述数字图像。在此将Krawtchouk矩用于手写大写金额的识别,并在隐马尔可夫模型(HMMs)框架下对其性能进行了测试。实验结果表明,Krawtchouk矩比传统的连续矩更适合用来描述数字图像,识别效果比连续矩有较显著提高。此外,还对不同参数下的Krawtchouk矩性能进行考察。     

计算机汉字识别和静态手写汉字签名鉴定技术综述

经过训练、高质量的摹仿手写汉字签名给文件检验工作者提出了挑战,使传统的特征比对方法显得力不从心,据此本文提出采用计算机进行精确、快速的静态手写汉字签名鉴定。对于静态手写汉字签名鉴定,如何选择良好的特征和对选择的特征进行描述,使描述后的特征具有相对的稳定性,特征描述模型很好地反映书写者的生物特征而不是汉字本身的内容,是计算机静态手写汉字签名鉴定问题首先要解决的问题。